Evaluation of Machine Learning Models for Geothermal Downhole Temperature Prediction Using Hydrogeochemical Datasets

Profondamente sotto la superficie della Terra, nascosto tra rocce fratturate e antiche linee di faglia, giace un vasto serbatoio di calore. Questa energia geotermica offre una fonte di energia pulita e costante che potrebbe aiutare le nazioni ad allontanarsi dai combustibili fossili, ma individuare i luoghi migliori per perforare è una scommessa difficile e costosa. In molte regioni, inclusi i rift valley dell'Etiopia, gli scienziati non possono semplicemente guardare il terreno per vedere quanto sia caldo a chilometri di profondità. Invece, devono affidarsi a indizi indiretti, come la composizione chimica dell'acqua che ha circolato attraverso le rocce calde e che è tornata in superficie. Per decenni, gli esperti hanno usato queste firme chimiche per ipotizzare la temperatura dei serbatoi sotterranei, ma queste ipotesi tradizionali portano spesso con sé un ampio margine di errore. La sfida è stata trovare un modo per trasformare questi frammenti di indizi chimici in una mappa precisa del calore sotterraneo, un compito che richiede l'individuazione di schemi troppo complessi per la matematica standard.

Un team di ricercatori dell'Addis Ababa Science and Technology University ha adottato un nuovo approccio a questo problema utilizzando il machine learning, un tipo di intelligenza artificiale che apprende dai dati piuttosto che seguire un insieme fisso di regole. Hanno raccolto informazioni da quattordici diversi campi geotermici in Etiopia, compilando un dataset di quasi duecento campioni. Per ogni campione, hanno registrato la temperatura trovata nel sottosuolo e i componenti chimici specifici presenti nell'acqua, come le quantità di silice, potassio, sodio e magnesio. L'obiettivo era insegnare a un computer a riconoscere la relazione tra questi ingredienti chimici e il calore nascosto, permettendogli di prevedere le temperature in luoghi dove non esistono misurazioni dirette. I ricercatori hanno testato cinque diversi modelli informatici, che vanno da semplici equazioni lineari ad avanzati sistemi basati su alberi in grado di gestire complesse interazioni non lineari tra le variabili.

I risultati hanno mostrato che i modelli informatici più sofisticati erano molto più capaci nel compito rispetto a quelli più semplici. Quando i ricercatori hanno testato i modelli contro dati che non erano stati precedentemente mostrati al computer, il modello di maggior successo, noto come CatBoost, ha predetto correttamente la temperatura sotterranea con un alto grado di accuratezza. Ha ottenuto un punteggio che indica di aver catturato oltre il novanta per cento della variazione delle temperature reali, con un errore medio di circa ventitré gradi Celsius. Un altro modello molto performante, chiamato Random Forest, è stato persino migliore nel minimizzare l'entità dei suoi errori medi, mancando la temperatura reale di soli undici gradi circa. Al contrario, i modelli più semplici, che si basano su relazioni lineari, hanno incontrato notevoli difficoltà, producendo errori molto più grandi e non riuscendo a catturare l'intero intervallo di temperature. Lo studio ha scoperto che i modelli informatici hanno appreso che certi prodotti chimici, in particolare la silice e il potassio, erano gli indicatori più forti di calore, mentre altri, come il magnesio, tendevano a diminuire man mano che l'acqua diventava più calda.

Nonostante il successo di questi strumenti informatici, i ricercatori hanno osservato che i modelli affrontavano ancora delle sfide nel prevedere le temperature molto elevate. Le previsioni tendevano a essere leggermente meno accurate nell'estremo intervallo superiore, suggerendo che le condizioni sotterranee in quelle zone specifiche potrebbero essere più complicate di quanto i soli dati chimici possano rivelare. Ciò potrebbe essere dovuto a variazioni nascoste nei tipi di roccia o al modo in cui i fluidi si muovono attraverso le fratture, fattori che i campioni chimici non hanno catturato completamente. Il team ha concluso che, sebbene questi modelli di machine learning siano strumenti potenti per ridurre l'incertezza nell'esplorazione geotermica, funzionano meglio se combinati con una profonda comprensione della geologia locale. Utilizzando questi strumenti digitali per interpretare il linguaggio chimico della Terra, gli scienziati possono prendere decisioni più informate su dove perforare, potenzialmente risparmiando tempo e denaro e sbloccando un futuro energetico più pulito.